TensorFlow使用自定义数据集训练GAN时格式报错解决方法

你能跑通fashion_mnist版本，是因为这套代码最终输出的数据集完全匹配GAN训练的输入要求：

• 单张图片形状为(28, 28, 1)，单通道灰度
• 像素值归一化到[0,1]区间，数据类型为float32
• 最终封装为批次大小64的tf.data.Dataset对象，单个批次形状为(64, 28, 28, 1)

自有数据集处理到第16行dataset = np.reshape(dataset, (-1, 28, 28, 1))报错，基本就两个原因：

• 读入的自有图片总元素数和样本数*28*28*1不匹配：比如用了RGB三通道图没转灰度、原图尺寸不是28*28、读入时误把图片拉成一维没做尺寸校验
• 数据集里混了形状不一致的图片：比如部分是3232、部分是2828，reshape时维度对不上

别直接硬套reshape逻辑，按下面步骤写，逐环节保证格式和fashion_mnist对齐：

1. 先写单图预处理函数，强制对齐尺寸、通道、数值范围

def process_img(img_path):
    img = tf.io.read_file(img_path)
    # 是png格式就把decode_jpeg换成decode_png，channels=1强制转单通道灰度
    img = tf.image.decode_jpeg(img, channels=1)
    # 统一缩放到28*28，不管原图是什么尺寸
    img = tf.image.resize(img, [28, 28])
    # 转float32+归一化到0-1，和fashion_mnist处理逻辑一致
    img = tf.cast(img, tf.float32) / 255.0
    return img

2. 批量加载构造数据集，后续逻辑和你原来的代码完全兼容

# 替换成你自己的数据集目录，默认目录下全是训练图片
img_folder = "./your_own_dataset"
img_paths = [os.path.join(img_folder, f) for f in os.listdir(img_folder) if f.lower().endswith(('.jpg','.jpeg','.png'))]

BATCH_SIZE = 64
dataset = tf.data.Dataset.from_tensor_slices(img_paths)
# 多线程并行预处理，速度比用numpy循环读快很多
dataset = dataset.map(process_img, num_parallel_calls=tf.data.AUTOTUNE)
# 下面的shuffle、batch逻辑和你原来写的完全一样，不用改
dataset = dataset.shuffle(buffer_size=1024).batch(BATCH_SIZE)

处理完跑下面的代码抽一个批次检查，输出符合要求就不会再报格式错：

for test_batch in dataset.take(1):
    print(test_batch.shape)  # 正确输出：(64, 28, 28, 1)
    print(test_batch.dtype)  # 正确输出：<dtype: 'float32'>
    print(tf.reduce_max(test_batch).numpy(), tf.reduce_min(test_batch).numpy()) # 正确值在0~1之间

如果你自己改了GAN的输入结构，不是用28*28单通道输入，只要把上面代码里的resize尺寸、channels参数改成和模型输入层匹配的值就行，核心是保证数据集输出的张量形状和模型输入要求完全对应。

内容的提问来源于stack exchange，提问作者somethingidk